Содержание курса
10
разделов
46
уроков
87
тестов
4
задачи
20 ч.
обн. 2 февраля 2026
1. О курсе
3 урока
241
172
10м
11
Закрытый
1.1
О курсе
↗
86
68
1м 7с
6
Закрытый
1.2
Тест по Deep Learning
↗
80
60
4м 59с
2
Закрытый
1.3
Тест по PyTorch
↗
75
44
5м 32с
3
2. Классические методы Computer Vision
8 уроков
1 119
447
171м
18
Открытый
2.1
Основы обработки изображений: фильтры и свертки
↗
325
82
29м 45с
6
Открытый
2.2
Операторы градиента: Лаплас, Собель, Канни
↗
266
68
42м 58с
4
Открытый
2.3
Бинаризация и трешхолдинг (Otsu, адаптивный порог)
↗
224
62
21м 35с
2
Закрытый
2.4
Методы выделения признаков: SIFT и другие
↗
65
52
30м 42с
-1
Закрытый
2.5
HOG: гистограммы направленных градиентов
↗
64
49
22м 33с
5
Закрытый
2.6
Поиск и сопоставление ключевых точек
↗
59
46
17м 44с
1
Закрытый
2.7
Преобразование Хафа и обнаружение геометрических фигур
↗
59
44
7м 12с
0
Закрытый
2.8
Пространственные преобразования: аффинные и перспективные
↗
57
44
5м 33с
1
3. CNN и первые архитектуры
6 уроков
345
247
150м
8
Закрытый
3.1
Основы сверточных нейронных сетей: ядра, фильтры, пуллинги
↗
61
49
31м 47с
-1
Закрытый
3.2
Архитектура LeNet: первые шаги в CV с использованием CNN
↗
58
47
9м 45с
2
Закрытый
3.3
AlexNet: особенности и влияние на развитие глубокого обучения
↗
55
46
23м 5с
0
Закрытый
3.4
VGG: глубокие сети с фиксированными свертками
↗
55
45
16м 30с
2
Закрытый
3.5
ResNet: идея резидуальных связей для решения проблемы исчезающих
↗
54
42
71м 55с
5
Закрытый
3.6
Домашнее задание
↗
62
18
0м 17с
0
4. Современные архитектуры CV
5 уроков
235
156
153м
-1
Закрытый
4.1
ViT (Vision Transformer): альтернатива CNN
↗
52
39
44м 35с
-2
Закрытый
4.2
MobileNet: легковесные модели для мобильных устройств
↗
45
33
25м 20с
0
Закрытый
4.3
EfficientNet и EfficientNetV2: масштабируемость и оптимизация
↗
44
31
34м 56с
1
Закрытый
4.4
Практика: аугментации и MBConv
↗
44
39
42м 25с
0
Закрытый
4.5
Домашнее задание
↗
50
14
8м 59с
0
5. Детекция
6 уроков
274
169
152м
10
Закрытый
5.1
Основы задачи детекции и Non-Maximum Suppression
↗
52
32
27м 17с
3
Закрытый
5.2
RCNN: архитектура и эволюция (Fast RCNN, Faster RCNN)
↗
41
30
25м 0с
3
Закрытый
5.3
YOLOv1
↗
47
33
30м 47с
2
Закрытый
5.4
Современные подходы к детекции: YOLO11 и более новые версии
↗
44
25
39м 14с
1
Закрытый
5.5
Детекция на практике
↗
46
40
30м 42с
1
Закрытый
5.6
Домашнее задание
↗
44
9
1м 44с
0
6. Сегментация
7 уроков
236
173
118м
3
Закрытый
6.1
Задача сегментации
↗
41
28
23м 57с
1
Закрытый
6.2
U-Net: идея и применение в медицинских изображениях
↗
38
29
17м 37с
0
Закрытый
6.3
Deeplab и его разновидности: адаптация к различным уровням разре
↗
30
23
7м 22с
-2
Закрытый
6.4
Mask R-CNN: объединение детекции и сегментации
↗
28
23
9м 41с
0
Закрытый
6.5
Segment Anything Model (SAM): универсальная модель сегментации
↗
33
24
32м 47с
3
Закрытый
6.6
Практика по сегментации
↗
31
30
26м 8с
1
Закрытый
6.7
Домашнее задание (тестирование)
↗
35
16
4м 8с
0
7. Трекинг и работа с видеопотоками
6 уроков
183
119
168м
4
Закрытый
7.1
Задача трекинга и оценивание качества трекинга
↗
34
20
34м 47с
0
Закрытый
7.2
Алгоритм трекинга
↗
28
21
41м 32с
2
Закрытый
7.3
Работа с видеопотоками. FFMpeg: чтение, запись, сжатие видео
↗
29
20
13м 49с
1
Закрытый
7.4
Gstreamer: организация сложных видео- и аудиопайплайнов
↗
32
17
37м 35с
1
Закрытый
7.5
Практика: захват видео с камер в реальном времени
↗
29
26
43м 6с
0
Закрытый
7.6
Тест по последнему занятию
↗
31
15
1м 19с
0
8. Итоговый проект курса
1 урок
56
6
10м
1
Закрытый
8.1
Итоговый проект курса
↗
56
6
10м 49с
1
9. Дополнительно: библиотека OpenCV
1 урок
22
22
0м
0
Закрытый
9.1
Установка библиотеки. Загрузка и вывод изображений
↗
22
22
0м 12с
0
10. Дополнительно: фреймворк FastAPI
3 урока
97
59
216м
0
Закрытый
10.1
Аннотации типов в Python
↗
36
29
57м 26с
0
Закрытый
10.2
Практика с FastAPI
↗
34
18
86м 18с
0
Закрытый
10.3
Библиотека Pydantic
↗
27
12
72м 1с
0